浅析詹姆斯·西蒙斯的投资理念报告要点：
本文分析了著名投资家詹姆斯·西蒙斯的投资理念。指出西蒙斯与其他成功投资人的相通之处在于：利用系统性的交易策略开发得到期望值为正的交易系统；利用资金管理技术提升绩效。西蒙斯特有的投资风格包括：在投资领域引入科学精神；由科学家组成的投资团队；数据挖掘技术的密集应用；交易基础资产而不是衍生资产；等等。本文指出西蒙斯的投资理念具有一定的可复制性。作者：石建辉
电话：0755-********-6153 e-mail: smxsjh@https://www.doczj.com/doc/e32766132.html, 报告编号：2011013
完成时间：2011-3-14
独立声明：本报告所采用的信息及数据均来源于公开可得到的资料。
目录
1.引言 (1)
2.系统性的交易策略开发 (3)
3.利用资金管理提升业绩 (5)
4.在投资领域引入科学精神 (7)
5.交易基础资产 (8)
6.数据挖掘技术的应用 (9)
6.1遗传规划 (10)
6.2隐马氏链模型 (10)
6.3条件最大熵模型 (11)
7.结论 (12)
参考文献 (13)
附录西门斯和巴菲特的投资回报率数据 (14)
摘要：本文分析了著名投资家詹姆斯·西蒙斯的投资理念。指出西蒙斯与其他成功投资人的相通之处在于：利用系统性的交易策略开发得到期望值为正的交易系统；利用资金管理技术提升绩效。西蒙斯特有的投资风格包括：在投资领域引入科学精神；由科学家组成的投资团队；数据挖掘技术的密集应用；交易基础资产而不是衍生资产；等等。本文指出西蒙斯的投资理念具有一定的可复制性。
关键词：詹姆斯·西蒙斯系统交易资金管理
1.引言
量化投资（Quantative Investing）是指借助数学模型进行投资决策、利用计算机进行交易的投资方式。量化投资将投资者经常使用的基本面投资方法、技术分析投资方法、现代投资组合理论和基于数据反映出的统计规律建立定量模型，消除了投资决策中的情绪化因素，将投资中的人类判断偏差降到最低程度。据统计，使用量化方式进行投资的各类基金和其他机构所管理的资金数额估计占全球投资总量的20%，在全球很多大型的股票交易所中，接近50%的交易量来自各类量化投资方式。
本文研究号称“量化投资之王”（quant king）的詹姆斯·西蒙斯（James Simons）的投资理念。西蒙斯出生于1938年。作为一位数学家，西蒙斯曾任纽约州立大学石溪分校数学系主任，与著名数学家陈省身合作提出了陈-西蒙斯理论，在理论物理特别是弦论中有着广泛的应用。
但西蒙斯在投资界的记录更引人注目。他于1982年发起成立了复兴技术公司(Renaissance Technologies)，1988年3月成立公司的旗舰产品——大奖章基金(Medallion Fund)。大奖章基金是华尔街最成功的对冲基金之一，1988—2009年的年化净收益率达到41.8%，超过了巴菲特的18.4%。
100.0%
（2010）搜集了大量关于西蒙斯的资料，本文引用的关于西蒙斯的资料除注明外皆源于该书。
我们知道，对大量交易而言科学的交易方法要求投资者做好两步：一是找到期望值为正的交易系统，二是利用资金管理技术提升交易绩效。2我们首先看看西蒙斯在这两方面是怎样做的。
2.系统性的交易策略开发
任何成功交易的第一步都是找到期望收益为正的交易系统。为了实现这个目标，投资者需要在一个庞大的备选策略集中进行筛选。对备选策略的要求不高，只要求备选策略集中的部分策略有效即可。备选策略集的构成视交易者的偏好而定，常见的情形有：
1. 基于均衡市场的交易策略。均衡模型如CAPM或马克维茨的均值-方差模型都可以用来描述均衡市场从而形成交易策略。例如在CAPM模型中，股票的风险可以用其贝塔系数来刻画。如果一支股票的价格相对于其贝塔系数高估，则做空该股票；如果一支股票的价格相对于其贝塔系数低估，则做多该股票。这只是一类最简单的策略，实践中还有其他复杂的变种。
2. 基于技术分析的交易策略。技术分析是指利用过去的市场历史资料（价格、成交量以及期货市场上的未平仓合约数等）配合统计分析去预测未来股价走势，包括技术指标、图表模式、K线系统、艾略特波浪理论、江恩理论等分析技术。基于这些技术就可以形成备选策略集合。
3. 基于市场异象的交易策略。市场异象是指有效市场假说无法解释的价格序列中持续存在的规律性模式。金融学文献中披露了大量的市场异象。
2撒普在《通向金融王国的自由之路》一书中提到，成功的投资有6个因素。包括：可靠性，利润和亏损的相对大小，投资和交易的成本，出现交易机会的频率，交易或投资资本的规模，头寸调整模型。（萨普，2001）。前四个因素——可靠性，利润和亏损的相对大小，投资和交易的成本，出现交易机会的频率（以及很多人提到的市场选择）——与找到期望值为正的系统相联系。后两个因素——交易或投资资本的规模和头寸调整模型——与资金管理相联系。交易或投资资本的规模因素要求不要在资金量太小时进行风险太大的交易，也属于资金管理的范畴。
1)日历效应(calendar effect)：包括一月效应、月末效应和假日效应,如证券
市场的一月份和每个月的最后一天及下一个月的前四天往往会带来较
高的收益,而星期一的回报则比一星期中其它任何一天都差。
2)规模效应(the size effect)：小公司股票的回报优于大公司股票；小盘股的
表现在年底更有可能超过大盘股。
3)价值效应(value effect)：低市净率股较高市净率股能获得超额收益；低市
价/账面价格比股票的收益高于高市价/账面价格比的股票。
4)反转效应(reversal effect)：过去收益率低的股票会成为赢家。持有期为3～
5年时，买进过去股价表现较差而卖出过去股价表现较好的股票能获得
超额收益；股价在短期内(一周至一个月)也常常发生反转。
5)动量效应(momentum effect)。持有期为3～12个月时，赢家组合（按收
益率高低排序之前10﹪股票）会比输家组合（按收益率高低排序后10
﹪股票）产生1%的超额收益。
6)公告效应(announcement based effect)。在一项具有正面效应的公告公布后,
公司股价倾向于上扬,而负面效应的公告则会带来股价的下挫。但当某个
公司有意外的盈利消息时,市场往往不能立即消化这一信息,一段时间后
又会做出过度反应，这被称为“盈利公告后漂移”。
7)处置效应(disposition effect)。证券市场的参与者表现出长时间持有亏损股
票而很快卖掉赢利股票的倾向。
8)股权溢价迷思(equity premium puzzle) 。历史上看，股票市场投资平均回
报显著高于债券市场投资平均回报之间。这是CCAPM模型无法解释的。
9)价值线之谜（the Value Line enigma）。Copeland and Mayers（1982）发现
买进价值线公司评级为1的股票，卖出评级为5的股票能获得超额收益。
10)基础资产价值无任何显着变动时的突然崩盘。如1987年10月19日，
DIAJ单日下降23%，而同期却无显着的基本面利空消息和外部冲击。
基于上述市场异象可以形成大量的交易策略。
4. 基于数据挖掘的交易策略。数据挖掘技术，如关联规则、决策树、神经网络和支持向量机等，可以帮助人们发现和总结数据中的规律。例如，金融市场微结构领域并没有成熟的理论体系，很多研究只是观察性质的。数据挖掘可以帮
助发现这个领域的交易策略。
大奖章基金偏好的是基于数据挖掘的交易策略。20世纪90年代中期，许多交易所开始提供高频金融数据。交易者在支付一定的费用后，指令册数据和订单流数据都能够得到。事实上，这也是金融市场微结构领域研究开始发展的时期。研究发现价格并不是实时反映信息，信息融入价格有一个过程。但是人们高频时间框架下金融市场的运行规律并不十分了解。事实上这个领域成了西蒙斯的蓝海。人们推测，通过麾下精通数据挖掘技术的团队，通过对指令册数据和订单流数据的大规模数据挖掘，西蒙斯在这个领域中找到了很多成功的交易策略。
有了备选交易策略集合，投资者需要筛选出有效的交易策略。有效的交易策略能够在某种程度上对市场的未来行为进行准确预测。数据挖掘领域的常见做法是交叉验证，也就是将数据划分为建模样本和验证样本。有效的交易策略应该能够在建模样本和验证样本上体现出较好的预测效力。对于高频数据来说，由于数据量很大，做交叉验证很容易。对于低频数据，往往需要在一套数据上进行模型的开发与验证。这就涉及数据窥探（data snooping ）问题。在一套数据上测试大量的交易策略时，出于随机性不可避免会有某些规则表现较好。例如，设交易策略全体的分布服从正态分布，将有5%的策略的绩效高于平均绩效1.65个标准差，有1%的策略的绩效高于平均绩效2.33个标准差，等等。假设投资者认为绩效高于平均绩效 2.33个标准差的策略就是有预测力的策略（优异策略），如果测试1000条策略，即使出于随机性也会有10条规则会被当作优异策略。之所以会出现这种情况，是因为共用一套数据检验时，除第一条策略之外的策略“窥探”了数据造成的。有两个著名的统计检验可以用来控制数据窥探偏差：真实性检验(White,2000）和优异预测能力检验(Hanson,2005)。两个检验的核心思想是，如果一个交易策略集合中的最优规则是真正有预测能力的，其回报一定要比随机情况下该策略集合可能出现的最大回报来得大。鉴于控制数据窥探偏差的重要性，西蒙斯的团队有可能采用了上述检验及其替代形式。
3.利用资金管理提升业绩
资金管理策略对于提升交易回报起着重要的作用。西蒙斯的重要助手罗伯
特·弗雷（Robert Frey）就对资金管理有着深入的研究。在弗雷加入大奖章基金之前，平均回报为26%，基于弗雷的风险管理模型（包括止损、杠杆管理、仓位分配等内容，其核心技术与资金管理），1991年的回报为34%，1992年为39%，1993年为39%，1994年为71%，1995年为33%，1996年为32%。
实践中人们常常四种模型（撒普，2001）：
1.每固定金额一个单位模型。
2.等价值单元模型。一般用在无杠杆投资中。例如将全部资本分成N份，被一份可以用来买入不同的投资。
3.风险百分比模型。当买入一个头寸时，关键是要确定在哪个点位上要抛出以保存资本，这就是所谓的风险。风险百分比模型控制投资的最大损失不超过资本的一个百分比。
4.波动性百分比模型。波动性是指任意时间段内某种金融工具的日常价格波动幅度。这种资金管理模型可以把投资波动性的最大值控制在预先设定的比例。
上述4个资金管理模型只是经验法则。真正科学意义上的资金管理模型是凯利准则（Kelly criterion），它是贝尔实验室的科学家约翰·凯利（John L. Kelly）1956年在其经典论文《对信息传输速率的重新解释》中提出的。这是投资领域最重要的文献之一，堪与马科维茨的均值方差理论相媲美。该文指出，在重复性的投资或赌博活动中，为了实现期望资本的最快增长，下注金额和本金的比例应该等于优势与赔率的比值(Kelly,1956)。优势(edge)是指希望从赌博或投资活动中获得的收益的平均值，赔率(odds)是指赢钱时的净利润倍数。具体地，
*()/
=-
f bp q b
式中,*f为投注比例，b为赔率，p为赌赢的概率，q为赌输的概率，bp q
-即优势(edge)也即赌博的期望收益。举例来说，一项交易策略的期望回报是1%，该策略预测成功时盈利3%，预测失败时损失1%，预测成功和失败的概率都是50%。即优势为1：1，赔率为3：1，按凯利准则每次应投出1/3的资本。
Kelly准则
根据Ziemba(2005)的研究，很多著名的投资者都是Kelly准则娴熟的应用者，包括凯恩斯（0.8 Kelly ，成功运作剑桥大学国王学院的捐赠基金)、巴菲特（1.0 Kelly，运作Berkshire Hathaway公司）、索罗斯(分数Kelly，运作量子基金)等人。
凯利准则的最大的不利之处就是可能出现财富的大幅缩水（drawdown）。这是因为凯利准则实际上最大化的是期末财富的期望值，其实现值还会有一定的变异性。但是如何克服凯利准则下可能的大幅缩水呢？一种方式是采用分数凯利准则。也就是每次下注的数量是凯利准则的一个固定的比例。如凯恩斯在运作剑桥大学国王学院的捐赠基金是就采用的是0.8倍Kelly数量下注。但是分数Kelly 准则的缺点是，财富增长速度低于Kelly准则下的增长速度。另一种方法就是将资金分为若干份，每份资金运作一个交易策略。当然前提是有多个有正优势的交易策略，且这些交易策略彼此之间不相关。虽然在每一份资金上期末财富的实现值可能出现很大的变异，但是几份资金加总后就会平均掉这种变异，从而保证期末总财富的相对稳定性。
尽管我们无法了解西蒙斯的交易细节，但是我们推测某种形式的凯利准则在其投资活动中发挥着重要的作用。有趣的是，无论是西蒙斯还是弗雷都对资金管理技术三缄其口。弗雷在石溪大学开设的量化投资专业的课程表中也看不到任何资金管理课程。看来他们都把资金管理作为机密保守着。在笔者看来，任何量化投资技术，如果不与资金管理结合，它就一定是不完美的，一定有利用资金管理技术提高业绩的空间。
上面我们总结了西蒙斯作为交易者的共性特征。任何从事大量交易的交易者都必须满足上述两个特征。下面我分析西蒙斯作为交易者的独特理念。
4.在投资领域引入科学精神
西蒙斯有一支由科学家组成的投资团队，专业背景包括数学、物理学和统计学等。这支团队中很少出现工商管理硕士（MBA），这与其他基金显著不同。传统上，金融方向的MBA是基金领域的生力军。这正是西蒙斯在选择交易人员上的高明之处：他为投资领域引入了长期以来缺乏的科学精神。我们知道，社会科学领域中经济学及金融学是数学应用程度最高的学科之一。但是与成熟的科学门类如自然科学领域的物理学相比，最缺少的实验精神。由于学科本身的限制，无法进行可重复的实验，经济学只能追求演绎的精确，无法进行重复性试验。在物理学领域，如果一个基于演绎的理论，哪怕再精致，如果不能解释现实，那它就
一文不值。在金融学领域，如果一个理论不能解释现实，那它还能发挥重要的参考作用。一个突出的例子就是有效市场假说。尽管有那么多市场异象足以证伪有效市场假说，可是人们仍然主张平均而言市场是有效的。从局部偶发性的无效到长期平均有效之间的细节根本不予解释。在金融学领域让人们放弃一个错误的理论是很难的，这可以说是该领域缺乏科学精神的表现。
对于具有科学精神的西蒙斯来说，这无疑是难以接受的。对于科学家来说，如果让他们来研究市场，一定基于市场事实出发，而不是基于某种理论来预先规定市场应该是什么样的。因此科学家也更可能发现市场的无效之处，在此基础上形成交易策略。这正是西蒙斯麾下的交易人员主要由科学家构成的原因。
迷信有效市场假说的人不大可能成为成功的投资家。期权定价公式的发明人之一罗伯特·默顿（Robert C. Merton）就是投资领域的积极参与者。他曾是长期资本管理公司（LTCM）的合伙人之一。人们不禁好奇：基于市场有效的学术信念和基于市场无效的投资活动如何能并存在一个人身上。LTCM在1998年投资巨亏导致被其他公司收购，其交易策略设计者如默顿等在游子理念上的精神分裂可能是一个重要原因。
西蒙斯在20世纪90年代涉足市场时就坚信市场上存在无效率。在那个有效市场假说盛行的年代，用金钱来实地证伪EMH是需要勇气的，科学精神无疑给了他以支撑力量。
5.交易基础资产
西蒙斯交易的衍生工具比较少。这是因为在一定意义上基础资产的价格是有规律可循的。一般交易者对基础资产和衍生资产的区别不是很重视。大致来说，基础资产是价格确定不依赖于其他资产价格的资产，衍生工具是价格基于基础资产价格确定的资产。衍生工具由于其价格受制于基础资产的价格，受无套利条件的制约，其价格的随机性更强，其价格序列中一般不会出现可利用的模式。3对3当然市场的无套利状态也不是绝对的。Barberis and Thaler（2002）等研究步指出，市场上套利缺位可能出于以下条件：1.缺乏套利机制。市场现实是：对于很多资产，对于很多市场（尤其是新兴市场），套利机制普遍缺乏。对于套利者来说，充分流动的卖空市场是一个前提。没有卖空市场，甚至卖空市场的流动
于基础资产，学术研究中通常假设其价格服从一个一般化的过程，如标准的布莱克-斯科尔斯-默顿模型就假设股票价格服从几何布朗运动，Vasicek模型就假设短期利率服从Ornstein–Uhlenbeck 过程。既然是随机模型，一般不允许基础资产的价格路径上出现一定的模式。这样做只是为了建模的方便，现实中基础资产的价格往往会出现一定的规律性。这是因为基础资产与衍生资产之不同，基础资产上只存在很弱的无套利条件，例如，资产价格长期中会回归其价值（如现金流贴现价值）。我们知道，长期是个很难界定的时间概念；由于现金流的不确定性很大，股票的价值也很难估计。这就导致对于股票这样的基础资产基本上不存在无套利条件，现实市场上股票价格经常出现规律性如趋势、模式等，这是个重要原因。
总之，基础资产的价格更有可能出现规律性，影响基础资产的价格也更容易。如果资产之间存在较强的相关关系，一种资产的价格改变会影响一系列相关股票的价格。影响其中一种股票价格的成本，在某些情况下可通过另一些股票上的收益得到补偿。
交易基础资产的另一个好处是，基础资产市场流动性更强，要知道LTCM 的垮台很大程度上是所交易资产的流动性不足引起的。西蒙斯总结了LTCM的教训，非常重视所交易资产的流动性。
6.数据挖掘技术的应用
西蒙斯是著名的数学家，但是他的几何学专长与其投资活动并没有什么关系，不仅如此，其投资团队中的很多科学家的专业特长也与其投资活动无关。在
性不好，都无法有效实现套利。2.基本面风险。对基本面的判断存在一定的不确定性和滞后性。当市场上某种状况出现时，人们难以确定是市场基本面发生了变化，还是非理性的偏差造成的。3.噪音交易者风险。如果市场由噪音交易者控制，或市场行情被发动起来，就会促使非理性价格长期保持下去。噪音交易者的存在，使得套利交易者要冒着价格继续偏离均衡价格的风险。由于套利者一般倾向于反对冒险，就有可能使噪音交易者或非理性交易者主导市场。换句话说，市场上会出现了逆向选择。而如果群体心理一旦被调动起来并形成主导市场的力量，个体套利资本就更加难与抗衡了。5.机构投资者自身的交易目标限制。大型机构交易者如养老金对资产配置有严格的要求；投资者的投资期限往往也有限制，于是若市场异象的存在时间过长时，这些投资者不会考虑基于利用市场异象的投资策略。同时，现实中人们对统计套利策略中的参数估计难以做到完美，例如价格回归理性的速度是多少，错误判断将造成毁灭性的后果。
西蒙斯的投资活动中，复杂的统计技术如数据挖掘等占据着重要的地位。
数据挖掘是指从大量数据中提取有用信息和知识的技术。西蒙斯招募了IBM 实验室机器翻译研究小组的大量人员。众所周知，数据挖掘在自然语言处理（包括机器翻译）领域有着大量成功的应用。这个领域中的专家的专长表现在两个方面：熟悉多种数据挖掘算法；熟悉海量数据的处理。这两项技能的结合，不也正是投资领域的要求吗？有人怀疑复兴技术公司用语音识别技术去分析交易所的噪声信号。这完全是无稽之谈。语言是交易员情绪的反应，语言揭示的信息最终还是表现为交易活动。更何况交易员可能言不由衷，但是交易数据是客观的。既然交易活动能从交易数据上观察到，还有必要去分析充满噪音和欺骗性的语言信号吗？
下面简要介绍三种在投资领域有着重要应用的数据挖掘技术。
6.1遗传规划
遗传规划（genetic programming，GP）。遗传规划和遗传算法都是所谓的进化算法中的一员。进化算法是指基于达尔文进化思想发展起来的一系列算法，其中最重要的就是遗传算法。遗传算法用染色体表示问题的一个可行解，染色体用一定长度的二进制或十进制编码串来表示。父代染色体经过遗传操作如交叉、变异等形成子代染色体，经过一定代数的进化所得到的最优染色体也就是问题的最优解。遗传规划是在遗传算法基础上形成的一种技术，它不像GA那样使用固定长度的染色体编码方式，而是树结构来表示解空间。遗传操作施加在树结构上。在投资领域，遗传规划常用作寻找最优交易规则的技术。例如，交易策略一般由入市规则和离市规则组成。无论是入市规则还是离市规则都有大量的备选规则可用，例如，大量的技术交易策略都可以作为入市规则和离市规则。问题是如何找到两者的最优组合呢？这就可以借助遗传规划技术。遗传规划在投资领域的的介绍可以参见Neely and Weller（1997）。
6.2隐马氏链模型
隐马氏链模型（hidden markov model, HMM）。HMM描述一个由状态序列和
信号序列组成的随机系统：人们可以观察到信号，但决定信号的状态序列观察不到；同时状态序列是一个马尔可夫过程。这也就是隐马氏链名字的由来。4对于从信号序列中学习HMM的参数并推测状态序列，有著名的Baum-Welch算法和Viterbi算法可以使用。这两个算法是信息科学领域中最著名的算法之一，在股票市场上得到广泛应用也是很自然的。我们举一个投资领域的例子。假设股价的涨跌是由市场心理控制的。股价就是信号，市场心理就是观测不到的状态。股价和市场心理所组成的系统就构成了一个隐马氏链。通过上述算法就可以通过股价来推断和预测市场心理。隐马氏链模型的介绍可以参见Bhar & Hamori (2004)。值得一提的是，Baum-Welch算法的发明人之一里昂纳多·鲍姆（L.E.Baum）就曾为西蒙斯开发过交易模型。
6.3条件最大熵模型
条件最大熵模型（maximum entropy model ,CMEM)。最大熵原理是指在一定的约束条件下，最可能出现的概率分布是熵最大的分布。条件最大熵模型是最大熵原理在分类问题中的应用。许多分类问题可描述如下：估计目标类别x在一定上下文y中出现的概率，也就是(|)
p x y。在证券分析领域中，上下文通常会包括证券的历史交易信息，如证券历史价格和成交量等，以及历史类别信息。证券价格资料一般包含关于x和y的一些共现信息，但是由于关于y的信息一般总是比较稀疏，所以对于所有可能的(,)
x y对，完全精确确定(|)
p x y是做不到的。条件最大熵模型基于x和y的统计特征，估计熵最大的概率模型(|)
p x y。我们举一个例子来说明。投资者要预测明天股价的涨跌情况。从历史数据中得知，有成千上万条规则会决定明天涨跌情况。一条可能的规则的例子：若2日均线上穿15日均线，则5日内股价上涨3%。上述规则集在历史数据中出现的频数是建模时必须遵守的约束，在这个约束下就可以建立最大熵模型。最大熵模型会输出每条规则的权重，对规则进行指数加权就可以用来预测。条件最大熵模型的介绍可以4HMM是图模型中的一类。图模型在金融预测中中大量的应用。如苏祐萱（2000）利用一组财务指标来预测上市公司的盈利，取得较好的效果。
参见Berger et al(1996)。值得一提的是，求解条件最大熵模型的IIS算法的发明人之一皮耶拉特兄弟（S. D. Pietra和V. D. Pietra）也就职于复兴技术公司。
上述三种模型在投资领域有着广泛的应用，但是它们都有替代品。隐马氏链模型和条件最大熵模型都是贝叶斯网技术中的一员，遗传规划也可用进化算法中的其他算法来代替。总之，投资领域为大量的数据挖掘算法提供了试验场。我们知道，生物信息学领域、自然语言领域都是数据挖掘技术有着广泛应用的领域。西蒙斯的下一支交易团队会不会来自这些领域呢？我们拭目以待。
7.结论
“褫其华兖，示人本相”，无论是投资家还是交易策略我们都应该进行科学的分析，这样才有利于投资科学的进步。投资界的传统是将策略“创新”锁在公司保险箱里，秘不示人。因为与金钱相联系，这些策略中很大一部分从未曾经过科学的检验，其盈利能力很可能只是假象。
本文尝试性地分析了西蒙斯的投资理念。之所以说是尝试性的，是因为关于西蒙斯的公开材料非常少。即使是这样，基于零散的材料还是可以传递出关于西蒙斯的投资理念的丰富信息。本文指出了哪些是西蒙斯的独特理念，哪些是他与所有交易员的共同部分。本文认为，任何成功的投资都分为两个步骤，西蒙斯也不例外。这是西蒙斯与所有投资者相通之处。西蒙斯的长处是掌握了观察市场的正确方法。市场不是处处有效的。市场有效与否是市场参与者竞争的结果。市场参与者的行为有偏差，个体的偏差某些时候会形成集体的偏差，偏差带来套利机会。高频金融数据提供了观察这些偏差和市场心理的机会。基于数据挖掘技术不能发现这些机会。
有报道说西蒙斯正在考虑进入新兴市场，如印度和中国市场等。中国证券市场应该欢迎所有类型的投资者，无论是西蒙斯、巴菲特，还是索罗斯。当然也应该鼓励本土量化基金的发展。有效市场不是天上掉下来的馅饼，是市场参与者竞争的结果。市场多样化是市场效率的一个前提。大量量化基金参与市场交易，在消除市场上套利机会的同时，无疑有助于提高市场的效率。
西蒙斯的成功理念可以概括如下：最初基于金融市场微结构的考察为其提供
了策略“蓝海”，资金管理技术提升了其投资的绩效；一支精通数据挖掘技术的团队，在市场无效他率之处进行数据挖掘，既可以针对高频数据或低频数据，也可以针对成熟市场或新兴市场。复制西蒙斯的成功不容易，但绝不是不可能的事。
参考文献
1.忻海(2010).解读量化投资——西蒙斯用公式打败市场的故事.北京：机
械工业出版社
2.范·K·撒普（2001）.通向金融王国的自由之路. 北京：机械工业出版
社
3.苏祐萱（2000）.贝氏网络于辅助盈余预估分析之研究.台湾：元智大学
咨询研究所硕士论文
4.Barberis,N.,and R.Thaler(2002).A Survey of Behavioral
Finance.NBER Working Papers 9222,National Bureau of Economic
Research
5.Berger A., S. A. Della Pietra, V. J. Della Pietra（1996）. A Maximum
Entropy Approach to Natural Language Processing. Computational
Linguistics. 22(1):39-71
6.Bhar, R., S. Hamori(2004). Hidden Markov models: Application to
financial economics. Dordrecht: Kluwer Academic Publishers.
7.Copeland, T. E. , D. Mayers(1982), “The Value Line enigma
(1965-1978)：A case study of performance evaluation issues”,
Journal of Financial Economics, 10,Iss.3,pp.289-321
8.Hansen,P.R.(2005).A Test for Superior Predictive Ability.Journal
of Business and Economic Statistics,23,365-380
9.Kelly,L.(1956).A New Interpretation of Information Rate. Bell
System Technical Journal 35, pp. 917–926
10.Neely C. J. , P. A. Weller and R. Dittmar(1997). Is Technical
Analysis in the Foreign Exchange Market Profitable? A Genetic
Programming Approach. The Journal of Financial and Quantitative
Analysis, 32(4):405-426.
11.White,H.(2000).A Reality Check for Data Snooping. Econometrica,
68, 1097-1126
12.Ziemba, W. T. (2005).The symmetric downside risk Sharpe ratio and
the evaluation of great investors and speculators, Journal of
Portfolio Management, Fall: 108-122
附录西门斯和巴菲特的投资回报率数据